論文の概要: Graph Extraction for Assisting Crash Simulation Data Analysis
- arxiv url: http://arxiv.org/abs/2306.09538v1
- Date: Thu, 15 Jun 2023 22:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 15:37:12.092627
- Title: Graph Extraction for Assisting Crash Simulation Data Analysis
- Title(参考訳): 衝突シミュレーションデータ解析支援のためのグラフ抽出
- Authors: Anahita Pakiman, Jochen Garcke, Axel Schumacher
- Abstract要約: 我々は,コンピュータ支援工学(CAE)からグラフへ情報を抽象化する手法を確立する。
我々は,車両設計の複雑なサブディシデントであるクラッシュネス解析における負荷経路に着目した。
- 参考スコア(独自算出の注目度): 0.966840768820136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we establish a method for abstracting information from Computer
Aided Engineering (CAE) into graphs. Such graph representations of CAE data can
improve design guidelines and support recommendation systems by enabling the
comparison of simulations, highlighting unexplored experimental designs, and
correlating different designs. We focus on the load-path in crashworthiness
analysis, a complex sub-discipline in vehicle design. The load-path is the
sequence of parts that absorb most of the energy caused by the impact. To
detect the load-path, we generate a directed weighted graph from the CAE data.
The vertices represent the vehicle's parts, and the edges are an abstraction of
the connectivity of the parts. The edge direction follows the temporal
occurrence of the collision, where the edge weights reflect aspects of the
energy absorption. We introduce and assess three methods for graph extraction
and an additional method for further updating each graph with the sequences of
absorption. Based on longest-path calculations, we introduce an automated
detection of the load-path, which we analyse for the different graph extraction
methods and weights. Finally, we show how our method for the detection of
load-paths helps in the classification and labelling of CAE simulations.
- Abstract(参考訳): 本研究では,コンピュータ支援工学(CAE)からグラフへ情報を抽象化する手法を確立する。
CAEデータのグラフ表現は、シミュレーションの比較を可能にし、探索されていない実験設計を強調し、異なる設計を関連付けることで、設計ガイドラインの改善とレコメンデーションシステムのサポートを可能にする。
我々は,車両設計の複雑なサブディシデントであるクラッシュネス解析における負荷経路に着目した。
荷重経路は衝撃によって生じるエネルギーのほとんどを吸収する部分の列である。
負荷経路を検出するために,CAEデータから有向重み付きグラフを生成する。
頂点は車両の部品を表し、エッジは部品の接続性の抽象化である。
エッジ方向は衝突の時間的発生に従っており、エッジウェイトはエネルギー吸収の側面を反映している。
本稿では,グラフ抽出のための3つの手法と,各グラフを吸収列で更新するための追加手法を紹介し,評価する。
最長経路計算に基づいて,負荷経路の自動検出を導入し,異なるグラフ抽出法と重みを解析する。
最後に, 負荷経路検出手法がCAEシミュレーションの分類とラベル付けにどのように役立つかを示す。
関連論文リスト
- Navigating Complexity: Toward Lossless Graph Condensation via Expanding
Window Matching [27.43633143386734]
グラフ凝縮は、コンパクトなグラフデータセットを合成することで、大規模グラフデータセットのサイズを減らすことを目的としている。
既存の手法では、特定のデータセットの元のグラフを正確に複製することができないことが多い。
本稿では,これまで無視されていた監視信号をブリッジすることで,無テクトトロスグラフの凝縮化に向けた最初の試みを行う。
論文 参考訳(メタデータ) (2024-02-07T16:32:02Z) - Two Trades is not Baffled: Condensing Graph via Crafting Rational
Gradient Matching [51.974926782636985]
大規模グラフの学習はグラフ表現学習において顕著な成果を上げてきたが、そのコストと記憶力の増大が懸念されている。
そこで我々は,textbfCraftextbfTing textbfRationatextbf (textbfCTRL) という新しいグラフ手法を提案する。
論文 参考訳(メタデータ) (2024-02-07T14:49:10Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-15T14:36:38Z) - Graph Neural Network for Stress Predictions in Stiffened Panels Under
Uniform Loading [0.0]
グラフニューラルネットワーク(Graph Neural Network, GNN)は、グラフとして表現可能なデータを処理するニューラルネットワークの一種である。
本研究では,3次元強化パネルの効率的な表現のための新しいグラフ埋め込み手法を提案する。
論文 参考訳(メタデータ) (2023-09-22T17:34:20Z) - Causally-guided Regularization of Graph Attention Improves
Generalizability [69.09877209676266]
本稿では,グラフアテンションネットワークのための汎用正規化フレームワークであるCARを紹介する。
メソッド名は、グラフ接続に対するアクティブ介入の因果効果とアテンションメカニズムを一致させる。
ソーシャル・メディア・ネットワーク規模のグラフでは、CAR誘導グラフ再構成アプローチにより、グラフの畳み込み手法のスケーラビリティとグラフの注意力の向上を両立させることができる。
論文 参考訳(メタデータ) (2022-10-20T01:29:10Z) - Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。
本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。
この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
論文 参考訳(メタデータ) (2022-05-31T12:24:01Z) - Understanding Coarsening for Embedding Large-Scale Graphs [3.6739949215165164]
機械学習(ML)アルゴリズムによるグラフの適切な解析は、研究や産業の多くの分野において、より深い洞察をもたらす可能性がある。
グラフデータの不規則構造は、グラフ上でMLタスクを実行するための障害を構成する。
本研究では, 粗大化品質が埋込み性能に及ぼす影響を, 速度と精度の両方で解析する。
論文 参考訳(メタデータ) (2020-09-10T15:06:33Z) - AutoTrajectory: Label-free Trajectory Extraction and Prediction from
Videos using Dynamic Points [92.91569287889203]
軌道抽出と予測のための新しいラベルなしアルゴリズムAutoTrajectoryを提案する。
動画中の移動物体をよりよく捉えるために,ダイナミックポイントを導入する。
ビデオ内の歩行者などの移動物体を表すインスタンスポイントに動的ポイントを集約する。
論文 参考訳(メタデータ) (2020-07-11T08:43:34Z) - Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。
提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文 参考訳(メタデータ) (2020-03-12T22:31:59Z) - Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。
以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。
本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
論文 参考訳(メタデータ) (2020-02-27T18:54:42Z) - Homology-Preserving Multi-Scale Graph Skeletonization Using Mapper on
Graphs [5.86893539706548]
本稿では、トポロジカルデータ解析の一般的なツールであるmapper構築をグラフ視覚化に適用することを提案する。
我々は,グラフのホモロジー保存骨格を生成するモグ (mog) と呼ばれる,重み付けされた非方向グラフを対象とするマッパー構成のバリエーションを開発する。
我々は,このような骨格のインタラクティブな探索を可能にするソフトウェアツールを提供し,本手法の合成および実世界のデータに対する有効性を実証する。
論文 参考訳(メタデータ) (2018-04-03T19:18:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。